Умение анализировать данные, проводить исследование, строить модели в машинном обучении - это еще не весь спектр того, что вы должны сделать, чтобы ваша модель и работа были действительно полезными для компании, обществу.
Постепенно грань между разработчиком и Data Scientist начинает стираться, и помимо кода для обучения модельки, вам нужно еще и предусмотреть выкатку в production.
Сегодня с Дмитрием Аникиным из Kaspersky поговорим о том, как они создавали инфраструктуру ML-моделей, о MLOps и о хорошем коде. Почему большая часть моделей так и не доходит до production и как такую проблему решать. Также обсудим сам пайплайн, как реализован ML процесс в Kaspersky, и какие инструменты нужны на каждом из этапов.
https://youtu.be/6cWMmAyRVk4
Постепенно грань между разработчиком и Data Scientist начинает стираться, и помимо кода для обучения модельки, вам нужно еще и предусмотреть выкатку в production.
Сегодня с Дмитрием Аникиным из Kaspersky поговорим о том, как они создавали инфраструктуру ML-моделей, о MLOps и о хорошем коде. Почему большая часть моделей так и не доходит до production и как такую проблему решать. Также обсудим сам пайплайн, как реализован ML процесс в Kaspersky, и какие инструменты нужны на каждом из этапов.
https://youtu.be/6cWMmAyRVk4